論文の概要: Understanding and Mitigating Library-Related Issues in LLM-Generated Code

• arxiv url: http://arxiv.org/abs/2610.00622v1
• Date: Wed, 30 Sep 2026 19:25:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.730913
• Title: Understanding and Mitigating Library-Related Issues in LLM-Generated Code
• Title（参考訳）: LLM生成コードにおけるライブラリ関連問題の理解と緩和
• Abstract要約: 大きな言語モデル(LLM)は外部ライブラリを統合するコードを生成する。 LLMは、不正なインポート、古いAPI呼び出し、幻覚的な依存関係など、誤ったライブラリの使用を生成する。 LLM生成コードにおけるライブラリ関連エラーを軽減するためのエージェントアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.9297355862757839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software practitioners increasingly rely on Large Language Models (LLMs) to generate code that integrates external libraries. However, LLMs often produce incorrect library usage, such as invalid imports, outdated API calls, and hallucinated dependencies, leading to compilation or runtime failures that reduce the reliability of AI-assisted software development. In this paper, we propose an agentic approach to mitigate libraryrelated errors in LLM-generated code. More specifically, we first conduct an exploratory study to characterize the library-related issues produced by LLMs. Our analysis of 100 LLM-generated code files reveals that 84% of generated files contain at least one library-related error, with recurring patterns including incorrect import paths, missing imports, hallucinated libraries, deprecated library usage, and unused imports. Based on these findings, we design an agentic approach that integrates task analysis, documentation grounding, code generation, and automated validation to improve library usage during code synthesis. We evaluate our approach on 300 code generation tasks derived from realworld implementations of rapidly evolving Python frameworks, including LangChain and AutoGen, across five LLMs: GPT-5, DeepSeek-V3, Qwen3, Mistral, and Llama 3. The results show that our approach consistently improves code generation quality across all evaluated models, reducing library-related errors by 38.1% - 54.6% and increasing code correctness by up to 16%.
• Abstract（参考訳）: ソフトウェア実践者は、外部ライブラリを統合するコードを生成するために、LLM(Large Language Models)に依存している。 しかし、LLMは、不正なインポート、時代遅れのAPI呼び出し、幻覚的な依存関係といった、誤ったライブラリの使用をしばしば生み出すため、AI支援ソフトウェア開発の信頼性を低下させるコンパイルや実行時の障害が発生する。 本稿では,LLM生成コードにおけるライブラリ関連エラーを軽減するためのエージェントアプローチを提案する。 より具体的には、LLMが生み出す図書館関連問題を特徴付けるために、まず探索的研究を行う。 LLM生成した100のコードファイルの解析では、生成ファイルの84%が少なくとも1つのライブラリ関連エラーを含んでおり、不正確なインポートパス、欠落したインポート、幻覚したライブラリ、非推奨のライブラリ使用、未使用のインポートを含む繰り返しパターンが示されています。 これらの知見に基づいて,タスク分析,ドキュメントのグラウンド化,コード生成,自動検証を統合し,コード合成時のライブラリ使用量を改善するエージェント的アプローチを設計する。 我々は、GPT-5、DeepSeek-V3、Qwen3、Mistral、Llama 3の5つのLLMで、LangChainやAutoGenなど、急速に進化するPythonフレームワークの現実の実装から派生した300のコード生成タスクに対するアプローチを評価した。 その結果、我々のアプローチは、すべての評価されたモデルにおけるコード生成品質を一貫して改善し、ライブラリ関連のエラーを38.1% - 54.6%削減し、コードの正しさを最大16%向上させた。

関連論文リスト

• LIDL: LLM Integration Defect Localization via Knowledge Graph-Enhanced Multi-Agent Analysis [16.217842423570055]
  大規模言語モデル統合ソフトウェアにおける欠陥ローカライゼーションのためのマルチエージェントフレームワークLIDLを提案する。 LIDLを105のGitHubリポジトリと16のエージェントベースシステムから収集した146の現実世界の欠陥インスタンスで評価した。
  論文  参考訳（メタデータ） (2026-01-09T05:47:59Z)
• AI-Generated Code Is Not Reproducible (Yet): An Empirical Study of Dependency Gaps in LLM-Based Coding Agents [3.0684671771686394]
  本稿では,Large Language Models (LLMs) がOSパッケージのみでクリーンな環境で実行可能であるかどうかを実証研究する。 我々は、Python、JavaScript、Javaで100の標準化プロンプトから生成される300のプロジェクトに対して、最先端のLLMコーディングエージェントを3つ評価した。 その結果、68.3%のプロジェクトはアウト・オブ・ザ・ボックスで実行されており、言語によってかなり異なることが判明した。
  論文  参考訳（メタデータ） (2025-12-26T21:17:22Z)
• How Robust are LLM-Generated Library Imports? An Empirical Study using Stack Overflow [3.076436880934678]
  6つの大言語モデル(LLM)の実証的研究を行う。 我々は、インポートするライブラリの種類、それらのライブラリの特徴、レコメンデーションがすぐに使える範囲を分析します。 以上の結果から,LSMは標準ライブラリよりもサードパーティライブラリを優先し,成熟し,人気があり,寛容にライセンスされた依存関係を推奨することが多かった。
  論文  参考訳（メタデータ） (2025-07-14T21:35:29Z)
• D-LiFT: Improving LLM-based Decompiler Backend via Code Quality-driven Fine-tuning [49.16469288280772]
  逆コンパイラは、バイナリから可読なソースコードを再構築する。 近年の進歩にもかかわらず、そのアウトプットは構文上の誤りや意味的な誤りに悩まされ、読みにくいままである。 大規模言語モデル (LLMs) の出現により、研究者は逆コンパイラ出力を洗練するためのLLMの可能性を探り始めた。 D-LIFTは、微調整強化学習を施した拡張逆コンパイラLLMパイプラインである。
  論文  参考訳（メタデータ） (2025-06-11T19:09:08Z)
• What's Wrong with Your Code Generated by Large Language Models? An Extensive Study [92.62952504133926]
  本研究は,3つの一般的なベンチマーク上で,3つの主要なクローズドソースLLMと6つの人気のあるオープンソースLLMの性能評価を行った。 間違ったコードに対するバグの分類を開発し、一般的なバグタイプに対する根本原因を分析した。 本稿では,自己批判を導入し,LLMが生成したコードに対する批判と修正を可能にする,新たな学習自由反復手法を提案する。
  論文  参考訳（メタデータ） (2024-07-08T17:27:17Z)
• Iterative Refinement of Project-Level Code Context for Precise Code Generation with Compiler Feedback [29.136378191436396]
  我々は,コンパイラフィードバックを用いてLLM生成コードを改善する新しいコード生成手法であるCoCoGenを提案する。 CoCoGenは、まず静的解析を利用して、生成されたコードとプロジェクトのコンテキストのミスマッチを特定する。 その後、コードリポジトリから抽出された情報を使用して、識別されたエラーを反復的に調整し、修正する。
  論文  参考訳（メタデータ） (2024-03-25T14:07:27Z)
• ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
  ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
  論文  参考訳（メタデータ） (2023-11-16T12:03:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。